Πλήρεις Οµάδες σε Λατινικό Τετράγωνο

Σχετικά έγγραφα
Απλή Ευθύγραµµη Συµµεταβολή

Πλήρεις Οµάδες σε Ελεύθερη ιάταξη

Εξέταση Φεβρουαρίου (2011/12) στο Μάθηµα: Γεωργικός Πειραµατισµός. Ζήτηµα 1 ο (2 µονάδες) Για κάθε λανθασµένη απάντηση δεν λαµβάνεται υπόψη µία σωστή

Γεωργικοί Πειραµατισµοί Χωριστού Σχεδίου: Οµάδες µε Υποοµάδες (Split-plot plot designs) ρ. Γεώργιος Μενεξές

Ζήτηµα 2. Κατεύθυνση µεταβολής γονιµότητας. Πειραµατικός Αγρός. Επεµβάσεις: Α1Β1:1, Α1Β2:2, Α1Β3:3, Α2Β1:4, Α2Β2:5 και Α2Β3:6

Γεωργικός Πειραµατικός Σχεδιασµός: Πρακτικές Συµβουλές

Σύγκριση Συνδυασµένων Παραγόντων

Γεωργικός Πειραµατικός Σχεδιασµός: Εισαγωγή

Προσοµοίωση Εξέτασης στο µάθηµα του Γεωργικού Πειραµατισµού

Πλήρως Τυχαιοποιηµένο Σχέδιο

Εισαγωγή στην Ανάλυση Παραλλακτικότητας

Γ. Πειραματισμός Βιομετρία

Completely Randomized Design

ONE WAY ANOVA. .Π.Μ.Σ. Μαθηµατικά των Υπολογιστών & των αποφάσεων. Πάτρα, 11 Ιανουαρίου 2011

Κεφάλαιο 14. Ανάλυση ιακύµανσης Μονής Κατεύθυνσης. Ανάλυση ιακύµανσης Μονής Κατεύθυνσης

Γ. Πειραματισμός - Βιομετρία

Εισαγωγή - Πειραματικοί Σχεδιασμοί. Κατσιλέρος Αναστάσιος

Γ. Πειραματισμός Βιομετρία

Γ. Πειραματισμός Βιομετρία

Μονοπαραγοντική Ανάλυση Διακύμανσης Ανεξάρτητων Δειγμάτων

Χαρακτηριστικά της ανάλυσης διασποράς. ΑΝΑΛΥΣΗ ΙΑΣΠΟΡΑΣ (One-way analysis of variance)

Ανάλυση διακύμανσης (Μέρος 1 ο ) 17/3/2017

Ενότητα 3: Ανάλυση Διακύμανσης κατά ένα παράγοντα One-Way ANOVA

Στατιστική. Ανάλυση ιασποράς με ένα Παράγοντα. One-Way Anova. 8.2 Προϋποθέσεις για την εφαρμογή της Ανάλυσης ιασποράς

Γ. Πειραματισμός Βιομετρία

Επιστηµονική Επιµέλεια ρ. Γεώργιος Μενεξές. Εργαστήριο Γεωργίας. Viola adorata

Οδηγός Ανάλυσης Παραλλακτικότητας εδοµένων Γεωργικών Πειραµάτων µε Στατιστικά Πακέτα

Γεωργικόσ Πειραματιςμόσ

7. Ανάλυση Διασποράς-ANOVA

ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ. Επικ. Καθ. Στέλιος Ζήμερας. Τμήμα Μαθηματικών Κατεύθυνση Στατιστικής και Αναλογιστικά Χρηματοοικονομικά Μαθηματικά

ΓΡΑΜΜΙΚΑ ΜΟΝΤΕΛΑ ΚΑΙ ΣΧΕΔΙΑΣΜΟΙ ΕΡΓΑΣΤΗΡΙΑΚΗ ΑΣΚΗΣΗ I

ΣΧ0ΛΗ ΤΕΧΝ0Λ0ΓΙΑΣ ΤΡΟΦΙΜΩΝ & ΔΙΑΤΡΟΦΗΣ ΤΜΗΜΑ ΤΕΧΝΟΛΟΓΙΑΣ ΤΡΟΦΙΜΩΝ ΕΡΓΑΣΤΗΡΙΟ: ΟΡΓΑΝΟΛΗΠΤΙΚΟΥ ΕΛΕΓΧΟΥ ΓΙΑΝΝΑΚΟΥΡΟΥ ΜΑΡΙΑ ΤΑΛΕΛΛΗ ΑΙΚΑΤΕΡΙΝΗ

ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ. Επικ. Καθ. Στέλιος Ζήμερας. Τμήμα Μαθηματικών Κατεύθυνση Στατιστικής και Αναλογιστικά Χρηματοοικονομικά Μαθηματικά

ΟΙΚΟΝΟΜΕΤΡΙΑ. Βιολέττα Δάλλα. Εθνικό και Καποδιστριακό Πανεπιστήµιο Αθηνών

ΑΝΑΛΥΣΗ ΤΗΣ ΙΑΚΥΜΑΝΣΗΣ (ΑΝOVA)

Στόχος µαθήµατος: ΒΙΟΣΤΑΤΙΣΤΙΚΗ ΙΙ. 1. Απλή γραµµική παλινδρόµηση. 1.2 Παράδειγµα 6 (συνέχεια)

Κεφάλαιο 13. Εισαγωγή στην. Η Ανάλυση ιακύµανσης

Ανάλυση διακύμανσης (Μέρος 2 ο ) 31/3/2017

Έλεγχος υποθέσεων ΙI ANOVA

Βιομετρία. Ενότητα 1 η : ANOVA Tables for Various Experiments. Γεώργιοσ Μενεξζσ Τμήμα Γεωπονίασ ΑΡΙΣΟΣΕΛΕΙΟ ΠΑΝΕΠΙΣΗΜΙΟ ΘΕΑΛΟΝΙΚΗ

Για το δείγμα από την παραγωγή της εταιρείας τροφίμων δίνεται επίσης ότι, = 1.3 και για το δείγμα από το συνεταιρισμό ότι, x

8. Ανάλυση Διασποράς ως προς. δύο παράγοντες

Προσοχή: Για κάθε λανθασµένη απάντηση δεν θα λαµβάνεται υπόψη µία σωστή

x y max(x))

Ανάλυση διακύμανσης (Μέρος 3 ο ) 7/4/2017

T-tests One Way Anova

Ανάλυση ποσοτικών δεδομένων. ΕΡΓΑΣΤΗΡΙΟ 2 ΔΙΟΙΚΗΣΗ & ΚΟΙΝΩΝΙΚΟΣ ΣΧΕΔΙΑΣΜΟΣ ΣΤΗΝ ΤΟΞΙΚΟΕΞΆΡΤΗΣΗ Dr. Ρέμος Αρμάος

ΑΝΑΛΥΣΗ ΔΙΑΣΠΟΡΑΣ Ή ΔΙΑΚΥΜΑΝΣΗΣ (ANALYSIS OF VARIANCE VARIANCE ANALYSIS ANOVA ANOVA

ΣΤΑΤΙΣΤΙΚΗ ΑΝΑΛΥΣΗ ΑΠΟΤΕΛΕΣΜΑΤΩΝ ΧΡΗΣΗ SPSS

Εργαστήριο Μαθηματικών & Στατιστικής 2η Πρόοδος στο Μάθημα Στατιστική 28/01/2011 (Για τα Τμήματα Ε.Τ.Τ. και Γ.Β.) 1ο Θέμα [40] α) στ) 2ο Θέμα [40]

Αν οι προϋποθέσεις αυτές δεν ισχύουν, τότε ανατρέχουµε σε µη παραµετρικό τεστ.

Οι στατιστικοί έλεγχοι x τετράγωνο, t- test, ANOVA & Correlation. Σταμάτης Πουλακιδάκος

Γ. Πειραματισμός Βιομετρία

ΟΙΚΟΝΟΜΕΤΡΙΑ. Παπάνα Αγγελική

Ανάλυση Διακύμανσης με ένα Παράγοντα (One Way ANOVA)

ΠΟΣΟΤΙΚΗ ΓΕΝΕΤΙΚΗ 03. ΜΕΣΗ ΤΙΜΗ & ΔΙΑΚΥΜΑΝΣΗ

Παράδειγμα: Γούργουλης Βασίλειος, Επίκουρος Καθηγητής Τ.Ε.Φ.Α.Α.-Δ.Π.Θ.

15. Στατιστική αξιολόγηση περισσοτέρων των δύο µέσων τιµών (ANOVA)

α) t-test µε ίσες διακυµάνσεις β) ανάλυση διακύµανσης µε έναν παράγοντα Έλεγχος t δύο δειγμάτων με υποτιθέμενες ίσες διακυμάνσεις

ΚΕΦΑΛΑΙΟ II ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ 1. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΕΝΑ ΚΡΙΤΗΡΙΟ 2. ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ ΚΑΤΑ ΔΥΟ ΚΡΙΤΗΡΙΑ

8. Ανάλυση Διασποράς ως προς. δύο παράγοντες

Παράδειγμα: Γούργουλης Βασίλειος, Επίκουρος Καθηγητής Τ.Ε.Φ.Α.Α.-Δ.Π.Θ.

ΔΗΜΟΚΡΙΤΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΡΑΚΗΣ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ. Μεταπτυχιακό πρόγραμμα ΑΣΚΗΣΗ ΚΑΙ ΠΟΙΟΤΗΤΑ ΖΩΗΣ ΠΛΗΡΟΦΟΡΙΑΚΟ ΕΝΤΥΠΟ ΜΑΘΗΜΑΤΟΣ

Ανάλυση Διασποράς Προβλήματα και Ασκήσεις

Εισαγωγή στην Ανάλυση Δεδομένων

Γ. Πειραματισμός Βιομετρία

Γραπτή Εξέταση Περιόδου Φεβρουαρίου 2011 για τα Τμήματα Ε.Τ.Τ. και Γ.Β. στη Στατιστική 25/02/2011

ΣΗΜΕΙΩΣΕΙΣ ΣΤΑΤΙΣΤΙΚΗΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥ ΩΝ «ΦΡΟΝΤΙ Α ΣΤΟ ΣΑΚΧΑΡΩ Η ΙΑΒΗΤΗ» ΑΝΑΛΥΤΙΚΗ ΣΤΑΤΙΣΤΙΚΗ

Τυχαιοποιηµένοι Πλήρως Σχεδιασµοί κατά Μπλοκ (Randomized Complete Block Design)

Ερμηνεία αποτελεσμάτων Ανάλυση διακύμανσης κατά ένα παράγοντα

Παράδειγμα: Γούργουλης Βασίλειος, Επίκουρος Καθηγητής Τ.Ε.Φ.Α.Α. Δ.Π.Θ.

Για να ελέγξουµε αν η κατανοµή µιας µεταβλητής είναι συµβατή µε την κανονική εφαρµόζουµε το test Kolmogorov-Smirnov.

Στατιστικοί Ελεγχοι. t - Έλεγχος για τον μέσο μ ενός πληθυσμού. t-έλεγχος για την σύγκριση των μέσων δύο πληθυσμών

ΤΕΙ ΔΥΤΙΚΗΣ ΜΑΚΕΔΟΝΙΑΣ Μεταπτυχιακό Τραπεζικής & Χρηματοοικονομικής

ΟΙΚΟΝΟΜΕΤΡΙΑ Κεφάλαιο 2

ΓΡΑΜΜΙΚΗ ΠΑΛΙΝ ΡΟΜΗΣΗ

Μάθηµα εύτερο-τρίτο- Βασικά Ζητήµατα στο Απλό Γραµµικό Υπόδειγµα Ακαδηµαϊκό Έτος

9. Παλινδρόμηση και Συσχέτιση

ΕΙΣΑΓΩΓΗ ΣΤΗ ΣΤΑΤΙΣΤΙΚΗ

Γεωργικός Πειραματισμός 1o Εργαστήριο «Διαδικασία της Τυχαιοποίησης»

ΓΕΩΡΓΙΚΟΣ ΠΕΙΡΑΜΑΤΙΣΜΟΣ 1ο Εργαστήριο «ΣΧΕΔΙΑΣΗ ΠΕΙΡΑΜΑΤΙΚΟΥ ΑΓΡΟΥ»

Εξαρτημένα δείγματα (εξαρτημένες μετρήσεις)

Χ. Εμμανουηλίδης, 1

ΟΙΚΟΝΟΜΕΤΡΙΑ Ι ΦΥΛΛΑΔΙΟ

ΠΕΡΙΕΧΟΜΕΝΑ ΠΡΟΛΟΓΟΣ 7. ΚΕΦΑΛΑΙΟ 1: Εισαγωγικές Έννοιες 13

ΚΕΦΑΛΑΙΟ 6 ΧΡΗΣΗ ΓΡΑΜΜΙΚΩΝ ΜΟΝΤΕΛΩΝ ΚΑΙ ΓΡΑΜΜΙΚΗΣ ΠΑΛΙΝ ΡΟΜΗΣΗΣ

Διάστημα εμπιστοσύνης της μέσης τιμής

Τεχνική Πειραματισμού. Κλιμάκωση των πειραμάτων στο χρόνο Δικτύωση των πειραμάτων στο χώρο Εδαφική ανομοιογένεια

ΑΝΑΛΥΣΗ ΔΙΑΚΥΜΑΝΣΗΣ. Επικ. Καθ. Στέλιος Ζήμερας. Τμήμα Μαθηματικών Κατεύθυνση Στατιστικής και Αναλογιστικά Χρηματοοικονομικά Μαθηματικά

ΕΙΔΙΚΑ ΘΕΜΑΤΑ ΣΤΗΝ ΣΤΑΤΙΣΤΙΚΗ ΕΡΓΑΣΤΗΡΙΟ (SPSS)

Μη Παραµετρικοί Έλεγχοι

Ανάλυση ιακύµανσης Μονής Κατεύθυνσης

Γ. Πειραματισμός Βιομετρία

Είδη Μεταβλητών. κλίµακα µέτρησης

Περιεχόμενα. Πρόλογος... 15

16. Πειράµατα πολλών οµάδων και παραγόντων µε µη επαναλαµβανόµενες µετρήσεις

Περιγραφική Ανάλυση ποσοτικών μεταβλητών

Επιστηµονική Επιµέλεια: ρ. Γεώργιος Μενεξές. Τοµέας Φυτών Μεγάλης Καλλιέργειας και Οικολογίας Εργαστήριο Γεωργίας

Γεωργικός Πειραματισμός (Κωδ. 3515) Βασικές Στατιστικές Μέθοδοι και Εργαλεία Ανάλυσης Δεδομένων 2. Ανάλυση Διακύμανσης

Στατιστική: Δειγματοληψία X συλλογή δεδομένων. Περιγραφική στατιστική V πίνακες, γραφήματα, συνοπτικά μέτρα

Transcript:

Πλήρεις Οµάδες σε Λατινικό Τετράγωνο Επιστηµονική Επιµέλεια ρ. Γεώργιος Μενεξές Τοµέας Φυτών Μεγάλης Καλλιέργειας και Οικολογίας, Εργαστήριο Γεωργίας Viola adorata

Πλήρεις Οµάδες σε Λατινικό Τετράγωνο (Latin Square-LS LS) Παράδειγµα 23 (Φασούλας,, 2006, σ.. 111). Ίδιο µε το Παράδειγµα 22 µε τη διαφορά ότι η τυχαιοποίηση των 10 γενοτύπων έγινε σύµφωνα µε το σχέδιο του Λατινικού Τετραγώνου. Να ελεγχθεί αν οι γενότυποι παρουσιάζουν στατιστικά σηµαντικές διαφορές σε επίπεδο σηµαντικότητας α=0,05.

Λατινικό Τετράγωνο

Η ονοµασία αποδίδεται στον Leonhard Euler Leonhard Euler Born Died Residence Nationality Fields Institutions Alma mater Doctoral advisor Religious stance 15 April 1707 Basel, Switzerland 18 September 1783 (aged 76) [OS: 7 September 1783] St. Petersburg, Russia Prussia, Russia Switzerland Swiss Mathematician and Physicist Imperial Russian Academy of Sciences Berlin Academy University of Basel Johann Bernoulli Calvinist [1][2] Signature Portrait by Johann Georg Brucker Notes He is the father of the mathematician Johann Euler

Stained glass window in the dining hall of Caius College,, in Cambridge,, commemorating Ronald Fisher and representing a Latin square

Παράδειγµα Πολύ υγρασία.λίγη υγρασία Λιγότερο γόνιµο..γόνιµο A Β Γ Β Γ Α Γ Α Β Α Β Γ

Τυχαιοποίηση στο LS Κάθε γραµµή και κάθε στήλη αποτελεί µια πλήρη οµάδα (block, replication). Σε κάθε γραµµή και στήλη τυχαιοποιούνται ανεξάρτητα οι επεµβάσεις (Γενότυποι) Επιλέγουµε ένα βασικό σχέδιο Λατινικού Τετραγώνου (από ειδικούς πίνακες) Τυχαιοποιούµε τις γραµµές Τυχαιοποιούµε τις στήλες Τυχαιοποιποιούµε τις επεµβάσεις Σχεδιάζουµε την τελική µορφή του πειράµατος

Παραδείγµατα Λατινικών 3 x 3 4 x 4 A B C A B C D B C A B A D C C A B C D B A D C A B Τετραγώνων A B C D B C D A C D A B D A B C A B C D B D A C C A D B D C B A A B C D B A D C C D A B D C B A 5 x 5 6 x 6 A B C D E A B C D E F B A E C D B F D C A E C D A E B C D E F B A D E B A C D A F E C B E C D B A E C A B F D F E B A D C Τα γράµµατα αντιστοιχούν σε επεµβάσεις

Παράδειγµα Τυχαιοποίησης (5 5) 5) LS 1) Επιλογή Λατινικού Τετραγώνου 1η 2η 3η 4η 5η A B C D E B A E C D C D A E B D E B A C E C D B A Αρ. Στηλών

Παράδειγµα (συνέχεια) 2) Τυχαιοποίηση Στηλών: 1, 5, 4, 2, 3 Πίνακες Τυχαίων Αριθµών 1η 5η 4η 2η 3η A E D B C B D C A E C B E D A D C A E B E A B C D Αρχικοί Αρ. Στηλών

Παράδειγµα (συνέχεια) 3) Τυχαιοποίηση Γραµµών: 4, 2, 1, 3, 5 Αρχικοί Αρ. Γραµµών 1η 5η 4η 2η 3η 4 η D C A E B 2 η B D C A E 1 η A E D B C 3 η C B E D A 5 η E A B C D

Παράδειγµα (συνέχεια) 4) Τυχαιοποίηση Επεµβάσεων: 1, 4, 5, 3, 2 Γράµµα: Α B C D E Επέµβαση: E1 E4 E5 E3 E2

Παράδειγµα (συνέχεια) 5) Τελική Μορφή Τετραγώνου Ε3 Ε5 Ε1 Ε2 Ε4 Ε4 Ε3 Ε5 Ε1 Ε2 Ε1 Ε2 Ε3 Ε4 Ε5 Ε5 Ε4 Ε2 Ε3 Ε1 Ε2 Ε1 Ε4 Ε5 Ε3

Παραµετροποίηση -1 Πειραµατικό Σχέδιο (Experimental Design): Πλήρεις Οµάδες σε Λατινικό Τετράγωνο (Latin Square) Πλήθος Παραγόντων (Factors): 3 (Γενότυπος, Γραµµές-Rows Rows, Στήλες -Columns) Πλήθος Επιπέδων (Levels) του Παράγοντα Γενότυπος (π): 10, του Παράγοντα Γραµµές (γ): 10 και του Παράγοντα Στήλες (σ):10 Συνολικό πλήθος µετρήσεων (Ν): 100 Σχέδιο: Ισορροπηµένο (Balanced), δηλ. ίδιος αριθµός µετρήσεων-επαναλήψεων επαναλήψεων σε κάθε επέµβαση

Παραµετροποίηση -2 Εξαρτηµένη µεταβλητή (Depended Variable): Πρωϊµότητα ξεσταχιάσµατος (ηµέρες) Ανεξάρτητες µεταβλητές-παράγοντες (Independed Variables): Γενότυπος (δοµικός), Γραµµές και Στήλες (σχεδίου) Πρότυπο ΙII (Model type III): Μεικτές Επιδράσεις (Mixed Effects) Γενότυπος: Καθορισµένες Επιδράσεις (Fixed Effects) Γραµµές και Στήλες: Τυχαίες Επιδράσεις (Random Effects)

Μεθοδολογία Εγκατάστασης Πειράµατος Προηγούµενη εµπειρία και γνώση σχετικά µε το πειραµατικό υλικό Εµπειρία και γνώση σχετικά µε προηγούµενα πειράµατα στον ίδιο πειραµατικό αγρό Έλεγχοι οµοιοµορφίας και οµοιογένειας πειραµατικού υλικού ιαστάσεις πειραµατικών τεµαχίων Πλήθος φυτών Αποστάσεις Καλλιεργητική φροντίδα Περίοδος πειραµατισµού Μέθοδος µέτρησης εξαρτηµένης µεταβλητής Εγκυρότητα-Αξιοπιστία µετρήσεων Εδαφολογικά στοιχεία Κλιµατολογικά στοιχεία Τήρηση Ηµερολογίου Πειράµατος

Πότε εφαρµόζεται το LS Όταν δεν µπορούµε να εξασφαλίσουµε οµοιόµορφο περιβάλλον. Όταν δεν µπορούµε να ελέγξουµε την ανοµοιοµορφία-ανοµοιογένεια ανοµοιογένεια µε δοµικούς παράγοντες. Όταν έχουµε αποδείξεις ή ενδείξεις ότι η ανοµοιογένεια του περιβάλλοντος βαίνει προς δύο συγκεκριµένες κατευθύνσεις κάθετες µεταξύ τους (κλίσεις-gradients). Παράδειγµα: Ο πειραµατικός αγρός µπορεί να παρουσιάζει διαφορές γονιµότητας προς µία κατεύθυνση και συγχρόνως διαφορές υγρασίας ως προς µία άλλη, κάθετη µε την πρώτη.

Σκοπός Η ελάττωση του πειραµατικού σφάλµατος και η αύξηση της ευαισθησίας του πειράµατος. Ο έλεγχος δύο γνωστών πηγών παραλλακτικότητας. Η αποµάκρυνση της επίδρασης των δύο γνωστών πηγών παραλλακτικότητας.

Χρήσιµες-Οδηγίες (1) Έστω ότι θέλουµε να πειραµατισθούµε µε π επεµβάσεις. Χωρίζουµε τον αγρό σε π γραµµές-σειρές και π στήλες (ίσες λωρίδες). Μεταξύ των λωρίδων είναι δυνατόν να παρεµβάλλονται διάδροµοι παρατηρήσεων ή όχι. Τυχαιοποιούµε τις επεµβάσεις µε τέτοιο τρόπο ώστε κάθε επέµβαση να εµφανίζεται µία µόνο φορά σε κάθε στήλη και γραµµή. Ο αριθµός των επαναλήψεων πρέπει να είναι ίσος µε τον αριθµό των επεµβάσεων. Το πλήθος των πειραµατικών τεµαχίων είναι π 2. Πρακτικά το σχέδιο αυτό χρησιµοποιείται για 4-8 επεµβάσεις.

Χρήσιµες-Οδηγίες (2) Άλλες εφαρµογές του LS: Οι στήλες µπορεί να αναφέρονται σε 3 διαφορετικούς παρασκευαστές που δοκιµάζουν 3 επεµβάσεις (µεθόδους προσδιορισµού φωσφόρου) σε 3 διαφορετικές ώρες της ηµέρας (γραµµές). Οι στήλες µπορεί να αναφέρονται σε 4 βουστάσια, οι επεµβάσεις σε 4 τύπους απολυµαντικών (δοχείων γαλακτοκοµίας) και οι γραµµές σε 4 µεθόδους χρήσης των απολυµαντικών.

ιατάξεις Εγκατάστασης LS (1) Τοποθέτηση τεµαχίων στο LS το ένα δίπλα στο άλλο Στήλες 1η 2η 3η 4η Γραµµές ABCD BCDA CDAB DABC

ιατάξεις Εγκατάστασης LS (2) ιάταξη στον αγρό LS µε 9 επαναλήψεις των 3 επεµβάσεων A C A C A B B B C C B B B C C A A A B A C A B A C C B

ιατάξεις Εγκατάστασης LS (3) Τοποθέτηση 3 LS σε 3 Τοποθεσίες Τοποθεσία Ι A C B C B A B A C Τοποθεσία ΙΙ C A B B C A A B C Τοποθεσία ΙΙI A B C B C A C A B

Ελληνολατινικά Τετράγωνα (Greaco-Latin Squares) Aα Bε Cβ Dφ Eχ Fγ Gδ Bβ Cφ Dχ Eγ Fδ Gα Aε Cχ Dγ Eδ Fα Gε Aβ Bφ Dδ Eα Fε Gβ Aφ Bχ Cγ Eε Fβ Gφ Aχ Bγ Cδ Dα Fφ Gχ Aγ Bδ Cα Dε Eβ Gγ Aδ Bα Cε Dβ Eφ Fχ A Greaco-Latin square consists of two latin squares (one using the letters A, B, C, the other using greek letters a, b, c, ) such that when the two latin square are supper imposed on each other the letters of one square appear once and only once with the letters of the other square. The two Latin squares are called mutually orthogonal

Πίνακας εδοµένων Γραµµές Στήλες 1 2 3 4 5 6 7 8 9 10 Σύνολα 1 Η 8 Ζ 1 Ε 8 Γ 2 Α 5 Κ 3 Θ 7 3 Β 2 Ι 4 43 2 Γ 7 Α 6 Κ 4 Η 8 Θ 3 Β 3 Ζ 8 Ι 9 2 Ε 5 55 3 Β 3 Η 1 Θ 5 Α 6 Ζ 8 Ε 9 Ι 9 Γ 6 Κ 6 9 60 4 Ε 4 Θ 2 Ζ 4 Κ 3 Ι 4 3 Α 5 Η 5 Γ 3 Β 3 36 5 Θ 1 Ι 3 Α 2 Β 3 2 Η 2 Θ 3 Ε 4 Ζ 3 Γ 3 25 6 Κ 3 2 Ι 2 Θ 2 Γ 1 Α 3 Ε 3 Β 3 Η 2 Ζ 2 23 7 3 Ε 4 Η 2 Ι 2 Κ 3 Γ 2 Β 2 Ζ 4 Α 2 Θ 4 29 8 Α 2 Β 2 Γ 3 3 Ε 4 Ζ 2 Η 3 Θ 2 Ι 3 Κ 3 27 9 Ζ 3 Γ 2 Β 2 Ε 6 Η 2 Ι 3 4 Κ 3 Θ 3 Α 5 33 10 Ι 3 Κ 3 3 Ζ 1 Β 2 Θ 2 Γ 3 Α 5 Ε 5 Η 1 28 Σύνολα 37 26 33 36 34 33 47 44 31 38 359

Πίνακας Ανάλυσης Παραλλακτικότητας (ή ιακύµανσης) Πηγή Παραλλακτικότητας Βαθµοί Ελευθερίας Άθροισµα Τετραγώνων Μέσα Τετράγωνα Γραµµές π-1 ΑΤγ ΑΤγ ΜΤγ= π 1 Στήλες π-1 ΑΤσ ΑΤσ ΜΤσ= π 1 Γενότυποι ΑΤΠ π-1 ΑΤΠ ΜΤΠ= (ή Παράγοντας) π 1 Σφάλµα ΑΤΣ (π-1)(π-2) ΑΤΣ ΜΤΣ= (ή Υπόλοιπο) ( π 1)( π 2) F F= ΜΤγ ΜΤΣ F= ΜΤσ ΜΤΣ F= ΜΤΠ ΜΤΣ Ολική π 2-1 ΣΑΤ Για τους γενότυπους, η δειγµατική τιµή F συγκρίνεται µε την Κρίσιµη Τιµή (θεωρητική) της F-Κατανοµής µε (π-1) και [(π-1)(π-2)] β.ε., σε επίπεδο σηµαντικότητας α.

Πίνακας εδοµένων Γραµµές Στήλες 1 2 3 4 5 6 7 8 9 10 Σύνολα 1 Η 8 Ζ 1 Ε 8 Γ 2 Α 5 Κ 3 Θ 7 3 Β 2 Ι 4 43 2 Γ 7 Α 6 Κ 4 Η 8 Θ 3 Β 3 Ζ 8 Ι 9 2 Ε 5 55 3 Β 3 Η 1 Θ 5 Α 6 Ζ 8 Ε 9 Ι 9 Γ 6 Κ 6 9 60 4 Ε 4 Θ 2 Ζ 4 Κ 3 Ι 4 3 Α 5 Η 5 Γ 3 Β 3 36 5 Θ 1 Ι 3 Α 2 Β 3 2 Η 2 Θ 3 Ε 4 Ζ 3 Γ 3 25 6 Κ 3 2 Ι 2 Θ 2 Γ 1 Α 3 Ε 3 Β 3 Η 2 Ζ 2 23 7 3 Ε 4 Η 2 Ι 2 Κ 3 Γ 2 Β 2 Ζ 4 Α 2 Θ 4 29 8 Α 2 Β 2 Γ 3 3 Ε 4 Ζ 2 Η 3 Θ 2 Ι 3 Κ 3 27 9 Ζ 3 Γ 2 Β 2 Ε 6 Η 2 Ι 3 4 Κ 3 Θ 3 Α 5 33 10 Ι 3 Κ 3 3 Ζ 1 Β 2 Θ 2 Γ 3 Α 5 Ε 5 Η 1 28 Σύνολα 37 26 33 36 34 33 47 44 31 38 359

ιορθωτικός Όρος (Correction Term): 359 Ο= 2 100 =1.288,81 Συνολικό Άθροισµα Τετραγώνων: Υπολογισµοί ΣΑΤ=(5 2 +6 2 +6 2 + +3 2 +3 2 +3 2 )- Ο=400,19 Άθροισµα Τετραγώνων Παραγόντων: 41 + 25 + K+ 34 ΑΤΠ=( 10 2 2 2 )- Ο=51,49 Άθροισµα Τετραγώνων Γραµµών: 43 + 55 + K+ 28 ΑΤγ=( 10 2 2 2 )- Ο=147,89 Άθροισµα Τετραγώνων Στηλών: 2 37 + 26 + K+ 38 ΑΤσ=( 10 2 2 )- Ο=33,69 Άθροισµα Τετραγώνων Σφαλµάτων: ΑΤΣ=ΣΑΤ-ΑΤΠ-ΑΤγ-ΑΤσ=(400,19)-(51,49)-(147,89)-(33,69)=167,12

Πίνακας Ανάλυσης Παραλλακτικότητας (ή ιακύµανσης) Πηγή Παραλλακτικότητας Βαθµοί Ελευθερίας Άθροισµα Τετραγώνων Μέσα Τετράγωνα F F 0,05 Γραµµές 9 147,89 16,43 7,08 2,01 Στήλες 9 33,69 3,74 1,61 2,01 Γενότυποι (Παράγοντας) 9 51,49 5,72 2,46 2,01 Σφάλµα 72 167,12 2,32 Ολική 99 400,19 Κρίσιµη Τιµή F(9, 72)=2,01, σε επίπεδο σηµαντικότητας α=0,05

Αποτελέσµατα από το SPSS Πηγή Παραλλακτικότητας Βαθµοί Ελευθερίας Άθροισµα Τετραγώνων Μέσα Τετράγωνα Γραµµές 9 147,89 16,43 7,08 0,000 F p Στήλες 9 33,69 3,74 1,61 0,129 Γενότυποι (Παράγοντας) 9 51,49 5,72 2,46 0,017 Σφάλµα 72 167,12 2,32 Ολική 99 400,19 R 2 =0.582 2 147,89+ 33, 69+ 51, 49 233, 07 R = = = 0,5823 400,19 400,19

Έλεγχοι Προϋποθέσεων Κανονικότητα των Σφαλµάτων Οµοσκεδαστικότητα (Οµοιογένεια ιακυµάνσεων) Προσθετικότητα-Αθροιστικότητα

Συµπεράσµατα από ANOVA Επειδή 2,46>2,01 Οι γενότυποι παρουσιάζουν στατιστικά σηµαντικές διαφορές σε επίπεδο σηµαντικότητας α=0,05. Η επίδραση του περιβάλλοντος (ως προς τις γραµµές του LS) είναι επίσης στατιστικά σηµαντική σε ε.σ. α=0,05. Η επίδραση του περιβάλλοντος (ως προς τις στήλες του LS) δεν είναι στατιστικά σηµαντική σε ε.σ. α=0,05.

Συντελεστής Παραλλακτικότητας (Coefficient of Variation), CV CV ΜΤΣ MSE = 100= 100 Y.. Y.. Στο παράδειγµα, CV 2,32 1,52 = 100= 100= 42,4% 3,59 3,59

Σχετική Αποτελεσµατικότητα για το ΜΤγ+ΜΤσ+ ( π 1) ΜΤΣ RE ( CRD ) = ( π+ 1) ΜΤΣ LS ΜΤγ+ ( π 1) ΜΤΣ RE ( RCBD, γραµµ ές ) = ( π) ΜΤΣ ΜΤσ+ ( π 1) ΜΤΣ RE ( RCBD, στ ήλες ) = ( π) ΜΤΣ (16,43) + (3,74) + (9 2,32) 41,05 = = = 1,61 11 2,32 25,52 16,43 + (9 2,32) 37,31 = = = 1,61 10 2,32 23,2 3,74 + (9 2,32) 24,62 = = = 1,06 10 2,32 23,2

Σύγκριση των τριών Πειραµατικών Σχεδιασµών (1) Πειραµατικό Σφάλµα (Experimental Error) στο CRD=3,87 Πειραµατικό Σφάλµα (Experimental Error) στο RCBD=2,48 Πειραµατικό Σφάλµα (Experimental Error) στο LS=2,32

Σύγκριση των τριών Πειραµατικών Σχεδιασµών (2) Συντελεστής Προσδιορισµού (Coefficient of Determination) για το CRD: R 2 =0,129 (12,9% 12,9%) Συντελεστής Προσδιορισµού (Coefficient of Determination) για το RCBD: R 2 =0,498 (49,8% 49,8%) Συντελεστής Προσδιορισµού (Coefficient of Determination) για το LS: R 2 = 0,582 (58,2% 58,2%)

Σύγκριση των τριών Πειραµατικών Σχεδιασµών (3) Συντελεστής Παραλλακτικότητας (Coefficient of Variance) για το CRD: CV=54,9% Συντελεστής Παραλλακτικότητας (Coefficient of Variance) για το RCBD: CV=43,9% Συντελεστής Παραλλακτικότητας (Coefficient of Variance) για το LS: CV=42,4%

Σύγκριση των τριών Πειραµατικών Σχεδιασµών (4) Σχετική Αποτελεσµατικότητα (Relative Efficiency) του LS σε σχέση: Με το CRD: RE(CRD) CRD)=61% Με το RCBD (γραµµές): RE(RCBD, γραµµές)=61% Με το RCBD (στήλες): RE(RCBD, στήλες)=6%

Προσοχή!!! Σκοπός του πειραµατισµού δεν είναι µόνο να βρούµε στατιστικά σηµαντικές διαφορές µεταξύ του/των των δοµικού/ών παράγοντα/ων (Γενότυπος) αλλά και να µειώσουµε το Πειραµατικό Σφάλµα.

Το Γενικό Γραµµικό Πρότυπο (General Linear Model) Y = µ + t + r + c + e ijk i j k ijk t i : η κύρια επίδραση της Επέµβασης (Γενότυπος) i (i=1,,10) r j : η κύρια επίδραση της Γραµµής j (j=1,,10) c k : η κύρια επίδραση της Στήλης k (k=1,,10) Γενικά: i t = Y Y i

Παραδοχές: Παραδοχές και Προϋποθέσεις π π π t 0 rj = 0 i = 2 ck = 0 eij N σ e i= 1 j= 1 k= 1 (0, ) Προϋποθέσεις: Οι παρατηρήσεις προέρχονται από τυχαία δείγµατα Οι παρατηρήσεις είναι ανεξάρτητες η µία από την άλλη Οι πληθυσµοί (ο π σε πλήθος) των παρατηρήσεων ακολουθούν Κανονική Κατανοµή Ισχύει η ιδιότητα της αθροιστικότητας (προσθετικότητας). Ισοδύναµα, δεν υπάρχει αλληλεπίδραση µεταξύ επεµβάσεων και Γραµµών και Στηλών του LS. Η επέµβαση i έχει το ίδιο αποτέλεσµα ανεξάρτητα από τη Γραµµή ή/και Στήλη στην οποία εφαρµόζεται. Οι διασπορές των πληθυσµών (π 2 σε πλήθος) είναι ίσες (Οµοσκεδαστικότητα)

Στατιστικοί Έλεγχοι Μηδενικές Υποθέσεις 2 0 Γ : σ 0 r 2 0 Σ : σ 0 c 0Π : µ 1 µ 2 L µ π Η = Η = Η = = = Εναλλακτικές Υποθέσεις 2 1 Γ : σ r 0 2 1 Σ : σ c 0 Η > Η > Η1 Π : τουλάχιστον 2 µ έσοι όροιδιαφέρουν, δηλ. l, z, ( l, z= 1,..., π ): µ µ z l

Άλλες Στατιστικές Αναλύσεις Αν η ANOVA ανιχνεύσει στατιστικά σηµαντικές διαφορές ακολουθούν συγκρίσεις µέσων όρων (a a priori, ad hoc)

ιαγραµµατική Αναπαράσταση του Υποδείγµατος Πρωϊµότητα Σφάλµα Γενότυπος Γραµµές Στήλες

Συγκρίσεις Μέσων Όρων Το Κριτήριο της Ελάχιστης (Στατιστικά) Σηµαντικής ιαφοράς (ΕΣ -LSD) Όπου t ( π 1)( π 2); a / 2 t 2 ΜΤΣ 2 MSE = t π π ΕΣ = ( π 1)( π 2); a / 2 ( π 1)( π 2); a / 2 ΕΣ = : Κρίσιµη τιµή της t-κατανοµής µε ( π 1)( π 2) β.ε., σε επίπεδο σηµαντικότητας α/2 Στο παράδειγµα: 2 2,32 4,64 ΕΣ = 1,99 = 1,99 = 1,99 0, 464 = 1,99 0, 681= 1,36, σε 10 10 επίπεδο σηµαντικότητας α=0,05.

Στο Παράδειγµα Γενότυποι ΜΟ ΤΑ N Α 4,10 1,66 10 Β 2,50 0,53 10 Γ 3,20 1,87 10 3,40 2,07 10 Ε 5,20 1,93 10 Ζ 3,60 2,55 10 Η 3,40 2,67 10 Θ 2,90 1,66 10 Ι 4,20 2,62 10 Κ 3,40 0,97 10 ΕΣ 0,10 1,14 ΕΣ 0,05 1,36 ΕΣ 0,01 1,80 ΕΣ 0,0011 1,78 1,36

CRD Στα προηγούµενα παραδείγµατα Γενότυποι ΜΟ ΤΑ N Α 4,10 1,66 10 Β 2,50 0,53 10 Γ 3,20 1,87 10 3,40 2,07 10 Ε 5,20 1,93 10 Ζ 3,60 2,55 10 Η 3,40 2,67 10 Θ 2,90 1,66 10 Ι 4,20 2,62 10 Κ 3,40 0,97 10 ΕΣ 0,10 1,46 ΕΣ 0,05 1,75 ΕΣ 0,01 2,32 ΕΣ 0,0011 2,97 RCBD Γενότυποι ΜΟ ΤΑ N Α 4,10 1,66 10 Β 2,50 0,53 10 Γ 3,20 1,87 10 3,40 2,07 10 Ε 5,20 1,93 10 Ζ 3,60 2,55 10 Η 3,40 2,67 10 Θ 2,90 1,66 10 Ι 4,20 2,62 10 Κ 3,40 0,97 10 ΕΣ 0,10 1,17 ΕΣ 0,05 1,40 ΕΣ 0,01 1,86 ΕΣ 0,0011 2,38

Παρουσίαση των Αποτελεσµάτων 1 Η ANOVA έδειξε ότι υπάρχουν στατιστικά σηµαντικές διαφορές, σε επίπεδο σηµαντικότητας α=0,05, µεταξύ των 10 Γενοτύπων: (F(9,72)=2,46,(9,72)=2,46, p=0,017<0,05) Η ANOVA έδειξε ότι η επίδραση του περιβάλλοντος (ως προς τις Γραµµές του LS) είναι στατιστικά σηµαντική (p<0,001) ενώ δεν είναι στατιστικά σηµαντική ως προς τις Στήλες του LS (p=0,129>0,05)

Παρουσίαση των Αποτελεσµάτων 2 Γενότυποι ΜΟ ΤΑ N Α 4,10 ab 1,66 10 Β 2,50 b 0,53 10 Γ 3,20 ab 1,87 10 3,40 ab 2,07 10 Ε 5,20 a 1,93 10 Ζ 3,60 ab 2,55 10 Η 3,40 ab 2,67 10 Θ 2,90 b 1,66 10 Ι 4,20 ab 2,62 10 Κ 3,40 ab 0,97 10 Μέσοι όροι που ακολουθούνται από διαφορετικό γράµµα διαφέρουν στατιστικά σηµαντικά, σε επίπεδο σηµαντικότητας α=0,05, σύµφωνα µε τα αποτελέσµατα του ελέγχου Tukey HSD

Παρουσίαση των Αποτελεσµάτων 3 6 LSD=1.36 5.2 ΜΟ Πρωϊµότητα Ξεσταχιάσµατος (ηµέρες) 5 4 3 2 1 2.5 2.9 3.2 3.4 3.4 3.4 3.6 4.1 4.2 0 Β Θ Γ Η Κ Ζ Α Ι Ε Γενότυποι Κριθαριού

ιάστηµα Εµπιστοσύνης για τη Μέση Τιµή Πληθυσµού ( ιασπορά Πληθυσµού Άγνωστη, n<30) [ II ] β.ε Σφάλµατος (ANOVA) (ΜΤΣ) (ANOVA) s X t X + t ν n,, a / 2 ν, a / 2 s n Επαναλήψεις

ιάστηµα Εµπιστοσύνης για τη Μέση Τιµή Πληθυσµού ( ιασπορά Πληθυσµού Άγνωστη, n>30) X z s X + z n, 1 a / 2 1 a / 2 s n

Βιβλιογραφία Φασούλας, Α. Κ.. (2006). Στοιχεία Πειραµατικής Στατιστικής. Θεσσαλονίκη. Καλτσίκης, Π. Ι.. (1997). Απλά Πειραµατικά Σχέδια. Αθήνα: Εκδόσεις Α. Σταµούλη. Μιχαηλίδης, Ζ.. (2005). Βιοµετρία-Γεωργικός Πειραµατισµός. ΑΤΕΙ Θεσσαλονίκης. Steel, R. & Torrie,, J. (1986). Principles and Procedures of Statistics: A Biometrical Approach.. Singapore: McGraw-Hill Book Company. Gomez, K. & Gomez, A. (1984). Statistical Procedures for Agricultural Research.. Singapore: John Willey & Sons, Inc. Kuehl,, R. (2000). Designs of Experiments: Statistical Principles of Research Design and Analysis.. Pacific Grove: Duxbury Thomson Learning.

Rothamsted Park Viola adorata